← 返回博客列表

FRM 备考：线性回归分析实战指南——3 道典型例题手把手解析

在 FRM 第一部分（Part 1）的定量分析中，线性回归分析是基石之一。无论是构建风险因子模型，还是进行对冲比率计算，理解回归原理都至关重要。许多考生在计算上没有问题，但在概念理解和计算器操作上容易失分。本文将通过核心概念解析、3 道典型例题实战以及常见错误提醒，帮助你彻底掌握这一考点。

核心概念：最小二乘法与回归方程

线性回归的核心目标是找到一条直线，使其能够最好地拟合观测数据点。这条直线通常表示为 $\hat{Y} = \alpha + \beta X$，其中 $\hat{Y}$ 是因变量的预测值，$X$ 是自变量，$\alpha$ 是截距，$\beta$ 是斜率。

在 FRM 考试中，我们默认使用最小二乘法（Ordinary Least Squares, OLS）来估计参数。OLS 的原理是寻找一组参数，使得所有观测点的残差平方和最小。简单来说，就是让实际值与回归线预测值之间的垂直距离平方总和达到最小。理解这一点，对于后续解读 $R^2$ 和标准误至关重要。

实战演练：3 道典型例题解析

为了巩固知识，我们选取三道不同侧重点的例题进行解析。

例题 1：基本系数计算（重点）

题目： 给定以下 5 组数据 $(X, Y)$：$(1, 2), (2, 4), (3, 5), (4, 4), (5, 5)$。请计算回归方程的斜率 $\beta$ 和截距 $\alpha$。

解析： 这是最基础的计算题，考察计算器操作能力。我们需要利用统计模式下的线性回归功能。

TI BA II Plus 操作步骤：

1. 进入统计模式： 按下 2nd + DATA（即 7 键），屏幕显示 X01=0。
2. 清除旧数据： 按下 2nd + CLEAR DATA（即 CE/C 键），确保没有历史数据干扰。
3. 输入数据：
   • 输入 X 值：输入 1，按 ENTER，按 ↓（向下箭头）。
   • 输入 Y 值：输入 2，按 ENTER，按 ↓。
   • 重复此过程，依次输入 $(2, 4), (3, 5), (4, 4), (5, 5)$。每输入一组数据后，按 ↓ 切换至下一行。
4. 计算回归系数：
   • 按下 2nd + LRD（即 8 键），进入线性回归模式。
   • 屏幕显示 X-bar（X 均值）。
   • 按 ↓ 查看 Y-bar（Y 均值）。
   • 继续按 ↓ 查看 n（样本数）。
   • 继续按 ↓ 查看 b（即斜率 $\beta$）。
   • 继续按 ↓ 查看 a（即截距 $\alpha$）。

结果： 计算可得 $\beta \approx 0.8$，$\alpha \approx 1.4$。回归方程为 $\hat{Y} = 1.4 + 0.8X$。

例题 2：斜率的经济含义

题目： 在上述回归方程中，斜率 $\beta = 0.8$ 的含义是什么？

解析： 在金融语境下，斜率代表弹性或敏感度。这意味着当自变量 $X$ 每增加 1 个单位时，因变量 $Y$ 平均增加 0.8 个单位。在投资组合理论中，若 $Y$ 为组合收益，$X$ 为市场收益，则 $\beta$ 即为该组合的系统性风险系数。

例题 3：预测值计算

题目： 若 $X = 6$，预测 $Y$ 的值是多少？

解析： 直接将 $X=6$ 代入回归方程：$\hat{Y} = 1.4 + 0.8 \times 6 = 1.4 + 4.8 = 6.2$。注意，这是预测值，实际值可能存在残差。

工具辅助：BA II Plus 与 RBA Calculator

熟练掌握计算器是 FRM 考试时间的关键。除了实体的 TI BA II Plus，考生还可以利用移动端工具进行碎片化练习。

推荐使用 RBA Calculator（TI BA II Plus iOS 应用）。这款应用完美复刻了实体计算器的功能，支持统计模式和金融计算器模式，非常适合在通勤途中复习 LIN 回归操作。你可以随时在手机上进行数据录入和参数计算，确保手感不生疏。

下载链接：https://apps.apple.com/cn/app/id1545331477

在使用计算器时，务必确认是否处于正确的统计模式。如果之前做过其他统计题目，务必先执行 2nd CLEAR DATA，否则新数据会与旧数据混合，导致计算结果完全错误。

常见错误提醒

在备考过程中，考生常在以下几个环节出错：

1. 混淆相关性与因果性： 高相关系数并不意味着因果关系的存在。回归分析只能说明变量间的统计关联，不能证明 $X$ 导致了 $Y$ 的变化。
2. 数据录入错误： 在 BA II Plus 上输入数据时，忘记按 ↓ 键切换变量，导致 X 和 Y 数据错位。这是最常见的失误，务必每输完一组数据检查一下屏幕显示。
3. 忽视残差分析： 仅仅关注 $R^2$ 是不够的。如果残差存在异方差性或自相关，OLS 估计的标准误可能失效，进而影响假设检验的准确性。
4. 外推风险： 不要使用回归方程预测样本范围之外的数据（如例题 3 中 $X=6$ 已在样本边缘，若 $X=100$ 则预测无效）。

高频 FAQ

Q1: 线性回归中的 $R^2$ 代表什么？
A: $R^2$（决定系数）表示自变量 $X$ 对因变量 $Y$ 变异的解释比例。例如 $R^2=0.8$ 意味着 $Y$ 的 80% 的波动可以由 $X$ 的变化来解释。在 FRM 中，它常用于评估模型拟合优度，但高 $R^2$ 不代表模型一定有效。

Q2: 如果残差不是正态分布，最小二乘法还有效吗？
A: 根据高斯 - 马尔可夫定理，只要满足线性、无自相关、同方差和无完全共线性假设，OLS 估计量就是最佳线性无偏估计量（BLUE）。残差的正态性主要影响假设检验（如 t 检验）的有效性，而非系数估计本身。

Q3: 如何在 BA II Plus 上查看标准误差？
A: 在统计模式（2nd DATA）下，输入数据后，按下 2nd + LRD 进入回归模式，通过按 ↓ 键翻页，可以看到 Sx（X 的标准差）和 Sy（Y 的标准差），但回归标准误通常需要通过公式计算或查看特定统计菜单下的 Sxy 等参数推导。

Q4: 多重回归与简单线性回归的区别是什么？
A: 简单线性回归只有一个自变量，而多重回归有多个自变量。在 FRM 考试中，多重回归更关注多重共线性问题以及偏回归系数的解释，即控制其他变量不变时，某一变量对因变量的影响。

结语

线性回归分析是 FRM 定量分析的入门必修课。掌握最小二乘法的原理，熟练运用 LIN 模式进行计算，并理解系数背后的金融含义，是拿分的关键。建议考生结合 RBA Calculator 多进行模拟练习，避免在简单的计算步骤上失分。祝备考顺利！